Daftar Isi

Daftar Isi 1

A.Pendahuluan 2

Pembahasan
B.Konsep Portofolio dengan dua Sekuritas 3
C.Ilustrasi Syarat Definite Positif pada Portfolio dengan 3 Saham 5
D.Model Dasar Portfolio 6
E.Syarat Kedefinit positifan dan Implementasi. 7

a. Inverse Matrik Kovarians dan Minimum Variansi Portfolio Global 9

b. Inverse dari Matrix 2𝑥2 pada Pemilihan Model Portfolio Dasar dan 10
Minimum Variansi Portfolio
c. Grafik dari Minimum Variansi Portfolio pada bidang-(𝜎, 𝜇) 11
d. Implied Korelasi pada Return 12
Penutup
F.Kesimpulan 13
G.Daftar Pustaka 14

1
 A. Pendahuluan

Teori portofolio mean-variance merupakan bagian penting dari kurikulum inti keuangan
modern dalam pendidikan bisnis. Teori ini memberikan dasar bagi keputusan investasi,
pertimbangan risiko investasi dengan variansi dari distribusi probabilitas peubah acak return.
Aspek praktis dari teori ini adalah bahwa, dengan return (mean return), variansi dari retuen,
dan covariances return dari sekuritas keuangan individu menjadi parameter yang akan
digunakan untuk model portofolio, sehingga memberikan panduan untuk mengalokasikan dana
investasi untuk mencapai risk-return trade-of terbaik.
Studi ini dari perspektif pedagogik dimana persyaratan parameter masukan penting untuk
analisis portofolio mean-variance. Keadaan sebelumnya dianggap berada di luar lingkup
kurikulum keuangan standar, persyaratan ini jarang diberikan ke siswa, bahkan dalam program
investasi portofolio kebanyakan. Akibatnya, ada kesenjangan yang tidak diinginkan antara apa
yang dilihat sebagai dasar dalam literatur keuangan dan apa yang dipelajari siswa pada program
investasi. Hal ini dapat menyebabkan kebingungan atas beberapa hasil portofolio yang aneh
yang didasarkan pada parameter masukan yang tampaknya wajar.
Secara khusus, persyaratan bahwa matriks kovarians dari return, yang berisi semua variasi
dan covariances return yang dipertimbangkan, haruslah positif. Dalam konteks investasi
portofolio di bawah asumsi gesekan penjualan pendek, matriks kovarians adalah semidefinite
positif jika varians pengembalian portofolio selalu non-negatif, terlepas dari bagaimana dana
investasi dialokasikan di antara sekuritas yang dipertimbangkan. Jika varians portofolio stricly
positif, matriks kovarians juga pasti positif. Sebuah matriks kovariansi definit positif memiliki
invers. Namun, matriks kovarians yang semidefinite positif tetapi tidak definit positif tidak
memiliki invers.
Pada awalnya, variansi dari variabel acak, menurut definisi, tidak akan pernah negatif,
sehingga matriks kovarians yang pasti positif tampaknya akan lebih meyakinkan. Sebelumnya
pernah dinyatakan bahwa penggunaan matriks semidefinit positif dengan menyampingkan
masalah tidak memiliki invers dapat digunakan. Lalu, mengapa kebutuhan masih merupakan
isu yang relevan untuk dipertimbangkan? Itu karena varians dari kombinasi linear dari
beberapa variabel acak, seperti yang diungkapkan langsung dalam hal dari varians dan
covariances dari variabel-variabel ini, dapat menjadi negatif jika tidak semua individu varians
dan covariances sesuai dengan perkiraan sampel mereka.
Dalam pengaturan ruang kelas, parameter masukan untuk ilustrasi numerik dari portofolio
analisisis sering dihasilkan secara artifisial. Meskipun matriks kovarians selama lebih dari dua
2
sekuritas sehingga dihasilkan invers, dengan korelasi tersirat dari hasil antara sekuritas yang
berbeda yang selalu di kisaran -1 ke 1; apakah itu positif pasti tidak segera jelas. Dalam
pengaturan praktis, wawasan analis securitas sering diminta untuk merevisi perkiraan sampel
parameter masukan untuk analisis portofolio untuk mengenali perubahan dalam lingkungan
ekonomi. Demikian juga, untuk masalah seleksi portofolio dimensi tinggi, jika matriks
kovarians diperkirakan dengan pengamatan cukup (untuk khawatir tentang data kembali usang
dari periode sampel yang panjang), beberapa elemen matriks harus direvisi untuk membuat
matriks invertible. Hal yang dihasilkan kedua kasus, itu tidak segera jelas apakah matriks yang
dihasilkan defnite. Jika estimasi matriks kovarians didasarkan pada model yang dapat
menampung volatilitas waktu bervariasi dari pengembalian keamanan, kepastian positif dari
matriks kovarians yang dihasilkan mungkin tidak terjamin.
Dalam studi ini, penulis mempertimbangkan persyaratan kepastian positif dan kemudian
analitis, untuk mengakomodasi pedagogik yang berbeda pendekatan – yang sesuai dengan
berbagai tingkat kekuatan analitis - dalam masalah mean-variance konsep portofolio. Dalam
pendekatan informal, kita menggambarkan dengan kasus tiga keamanan yang memiliki semua
korelasi pengembalian keamanan di kisaran -1 dan 1 saja tidak menjamin validitas matriks
kovarians.

B. Konsep Portofolio dengan dua Sekuritas

Pada materi awal konsep mean variance portfolio biasanya diperkenalkan kasus dengan
dua sekuritas, dimana sekuritas (saham) yang memiliki expektasi return tinggi juga memiliki
resiko yang tinggi. Dengan random return dari dua saham disebut 𝑅1 dan 𝑅2 , ekpektasi return
disimbolkan sebagai 𝜇1 dan 𝜇1 serta dua variansi return yang disimbolkan dengan 𝜎12 dan 𝜎22
adalah ekspected value dari standar deviasi yang berkaitan dengan random return dari mean
nya.
Return kovarian dari 𝑅1 dan 𝑅2 yang disimbolkan dengan 𝜎12 dan 𝜎22 adalah expected value
dari (𝑅1 − 𝜇1 )(𝑅2 − 𝜇2 ). Korelasi dari return 𝜌12 didefinisikan sebagai 𝜎12 ⁄(𝜎1 𝜎2 ), nilai nya
selalu pada rentang [−1,1]. Secara implicit 𝜎11 = 𝜎12 , 𝜎22 = 𝜎22 , 𝜎12 = 𝜎21 , 𝜌11 =
𝜎11 ⁄(𝜎1 𝜎1 ) = 1 dan 𝜌22 = 𝜎22 ⁄(𝜎2 𝜎2 ) = 1.
Misalkan dibentuk suatu portofolio 𝑝 dengan proporsi (bobot) dari portofolio 𝑥1 dan 𝑥2 =
2
1 − 𝑥1 . Variansi dari portfolio 𝜎𝑝2 adalah expected value dari (𝑅𝑝 − 𝜇𝑝 ) dimana

3
 𝑅𝑝 = 𝑥1 𝑅1 + 𝑥2 𝑅2 (1)
𝜇𝑝 = 𝑥1 𝜇1 + 𝑥2 𝜇2 (2)
Dari bentuk
2
(𝑅𝑝 − 𝜇𝑝 ) = [𝑥1 (𝑅1 − 𝜇1 ) + 𝑥2 (𝑅2 − 𝜇2 )]2
= 𝑥12 (𝑅1 − 𝜇1 )2 + 𝑥22 (𝑅2 − 𝜇2 )2 + 2𝑥1 𝑥2 (𝑅1 − 𝜇1 )(𝑅2 − 𝜎2 ) (3)
Sehingga
𝜎𝑝2 = 𝑥12 𝜎12 + 𝑥22 𝜎22 + 2𝑥1 𝑥2 𝜎12
= 𝑥12 𝜎12 + 𝑥22 𝜎22 + 2𝑥1 𝑥2 𝜌12 𝜎1 𝜎2 (4)

Jika 2 saham memiliki korelasi yang bagus maka 𝜌12 = ±1, hubungan antara 𝜎𝑝 dan
𝜇𝑝 dapat berupa linear , piecewise linear atau nonlinear. Pada grafik (𝜎, 𝜇 ) standar deviasi
return sebagai horizontal axes dan expected return sebagai vertical axis. Grafik ini
menggambarkan konsep dasar portfolio. Pada kasus 𝜌12 = 1, risk return trade off portfolio
tidak memiliki efek diversifikasi dengan menghubungkan (𝜎1 , 𝜇1 ) dan (𝜎2 , 𝜇2 ). Sedangkan
pada kasus 𝜌12 < 1 terdapat risk reduction efek. Semakin rendah korelasi antara 2 saham maka
semakin besar risk reduction efek nya. Pada kasus 𝜌12 = −1 risk free portfolio dapat dicapai,
begitu juga pada 𝜌12 = 1.
Jika −1 < 𝜌12 < 1 tidak ada investasi antara 2 saham yang dapat mengelimisasi
portfolio resiko. Karena dari persamaan (4) diperoleh:
𝜎𝑝2 = (𝑥1 𝜎1 + 𝑥2 𝜌12 𝜎2 )2 + 𝑥22 (1 − 𝜌12
2 )𝜎 2
2 (5)
2
dengan kuadrat sempurna. Dengan 1 − 𝜌12 adalah positif , maka tidak ada bobot portfolio yang
menghasilkan 𝜎𝑝2 nol ataupun negtif.
Pada Aljabar linear dikenal Sylvester’s Criterion bahwa matrik real simetri definit positif
jika dan hanya jika semua leading pricipal minors nya positif. Untuk matriks persegi n x n,
terdapat n buah leading principal minor yang masing masing nya determinant dari submatriks
yang memuat k kolom pertama dan k baris pertama, unyuk k = 1,2,...,n. Misalkan matriks
𝜎11 𝜎12
kovarian 2 x 2 [𝜎 ] dengan −1 < 𝜌12 < 1 adalah definit positif karena karena kedua
21 𝜎22

leading principal minor nya, 𝜎11 = 𝜎12 dan 𝜎11 𝜎22 − 𝜎21 𝜎12 = [𝜎12 𝜎22 (1 − 𝜌12
12 )]
bernilai
positif. Sehingga untuk portofolio dengan 2 saham apabila hubungan kedua saham tidak
berkorelasi sempurna, syarat kedefinitan positif matriks korelasinya terpenuhi.

4
 C. Ilustrasi Syarat Definite Positif pada Portfolio dengan 3 Saham

Seperti yang telah diketahui, ekstensi untuk investasi portofolio di lebih dari dua sekuritas
berisiko bisa sangat berbeda. Terlepas dari pendekatan pedagogik yang diikuti, efisien frontier
di bidang (𝜎, 𝜇 ), yang meenggambarkan risk-return trade-off terbaik dari investasi portofolio
pada himpunan efek berisiko, digambarkan sebagai kurva cekung. Hal yang sama dari berbagai
pendekatan pedagogik adalah bahwa selama sekuritas berisiko dianggap kurang dari sempurna,
berkorelasi positif, akan ada efek diversifikasi portofolio. Untuk memastikan pencapaian
perbatasan efisien yang berarti, namun, pertanyaan yang relevan sekarang adalah apakah ada
persyaratan lain untuk matriks kovarians selain berada pada rentang (-1, 1). Berikut dijelaskan
bahwa pada portfolio 3 saham sederhana persyaratan lebih lanjut diperlukan.
Misalkan 𝑅1 , 𝑅2 , 𝑅3 , 𝜇1 , 𝜇2 𝑑𝑎𝑛 𝜇3 adalah expected return dari portfolio dengan 3 saham.
Variansinya adalah (𝜎11 = 𝜎12 , 𝜎22 = 𝜎22 𝑑𝑎𝑛 𝜎33 = 𝜎32 ) dan kovariansinya adalah (𝜎12 =
𝜎21 , 𝜎13 = 𝜎31 𝑑𝑎𝑛 𝜎23 = 𝜎32 ) dapat dibentuk menjadi matriks kovariansi 3 x 3 . Dengan
tiap element (𝑖, 𝑗) adalah 𝜎𝑖𝑗 , dimana 𝜎𝑖𝑗 = 𝜎𝑗𝑖 untuk 𝑖, 𝑗 = 1,2,3 dan matriks kovariannya
simetri. Matrik Korelasi yang berukuran 3 x 3 bisa dipeoleh langsung dari matriks kovarian.
Kita akan membagi portfolio dalam 2 bentuk, yang dilambangkan dengan 𝑝 𝑑𝑎𝑛 𝑞. Untuk
portfolio 𝑝 misalkan 𝑥1 , 𝑥2 𝑑𝑎𝑛 𝑥3 merupakan bobotdari portfolio yang memenui 𝑥1 + 𝑥2 +
𝑥3 = 1. Random return dan expected return dari portfolio adalah 𝑅𝑝 = 𝑥1 𝑅1 + 𝑥2 𝑅2 + 𝑥3 𝑅3
dan 𝜇𝑝 = 𝑥1 𝜇1 + 𝑥2 𝜇2 + 𝑥3 𝜇3 . Variansi dari return portfolio adalah 𝜎𝑝2 yang merupakan
2
(𝑅𝑝 − 𝜇𝑝 ) = [𝑥1 (𝑅1 − 𝜇1 ) + 𝑥2 (𝑅2 − 𝜇2 ) + 𝑥3 (𝑅3 − 𝜇3 )]2
yang dapat ditulis sebagai penjumlahan 9 buah suku dari bentuk 𝑥𝑖 𝑥𝑗 𝜎𝑖𝑗 untuk 𝑖, 𝑗 = 1,2,3
sehingga
3 3
𝜎𝑝2 = ∑ ∑ 𝑥𝑖 𝑥𝑗 𝜎𝑖𝑗
𝑖=1 𝑗=1

Untuk portfolio 𝑞 yang berbeda dengan bobot 𝑦1 , 𝑦2 𝑑𝑎𝑛 𝑦3 dan memenuhi kondisi
𝑦1 + 𝑦2 + 𝑦3 = 1, dengan expected return 𝜇𝑞 dan variansi return nya 𝜎𝑞2 analog dengan
portfolio 𝑝. Kovariansi return dari portfolio 𝑝 𝑑𝑎𝑛 𝑞 dilambangkan dengan 𝜎𝑝𝑞 yang
merupakan expected value dari (𝑅𝑝 − 𝜇𝑝 ) + (𝑅𝑞 − 𝜇𝑞 ). 𝜎𝑝𝑞 dapat ditulis sebagai
penjumlahan 9 buah suku dari bentuk 𝑥𝑖 𝑦𝑗 𝜎𝑖𝑗 untuk 𝑖, 𝑗 = 1,2,3 sehingga
3 3
𝜎𝑝𝑞 = ∑ ∑ 𝑥𝑖 𝑦𝜎𝑖𝑗
𝑖=1 𝑗=1

Sebagai contoh Aplikasi kita dapat menggunakan Excel dalam menghitung.

5
 D. Model Dasar Portfolio

Dari awal telah diperlihatkan bahwa matriks kovarians yang terlibat haruslah definit positif.
Namun, ini menjadi gambaran, keharusan matriks kovarian sebagai definit positif masih harus
dibuktikan. Tugas ini membutuhkan penggunaan model seleksi portofolio. Berikut Roll (1977),
kita meminimalkan varians return portofolio, untuk n buah saham berisiko , dikenakan
persyaratan return yang diharapkan. Dengan asumsi adanya short shelling, jika portofolio p
terbentuk.
Dimana Expected return dan Variansi return nya sebagai berikut :
𝑛
𝜇𝑝 = ∑ 𝑥𝑖 𝜇𝑖 (6)
𝑖=1
𝑛 𝑛
𝜎𝑝2 = ∑ ∑ 𝑥𝑖 𝑥𝑗 𝜎𝑖𝑗 (7)
𝑖=1 𝑗=1

yang memenuhi keadaan

𝑛
∑ 𝑥𝑖 = 1
𝑖=1

Pada notasi matriks, 𝜇 dan 𝑥 merupakan n-element vektor kolom dari expected return
dan bobot portfolio, dengan 𝜇𝑖 dan 𝑥𝑖 yang berkaitan, untuk 𝑖 = 1,2, … , 𝑛. Misalkan 𝑉 matriks
kovarian simetri yang berukuran n x n dari return dengan elemen (𝑖, 𝑗) nya adalah 𝜎𝑖𝑗 untuk
𝑖 = 1,2, … , 𝑛. Misalkan juga 𝜄 merupakan n-element vektor kolom dimana setiap elementnya
adalah 1. Maka persamaan (6) dan (7) dapat ditulis sebagai 𝜇𝑝 = 𝑥 ′ 𝜇 dan 𝜎𝑝2 = 𝑥 ′ 𝑉𝑥 , dengan
𝑥 ′ 𝜄 = 1.
Dengan penggali lagrange pada 𝜇𝑝 diperoleh
𝐿 = 𝑥 ′ 𝑉𝑥 − 𝜙(𝑥 ′ 𝜇 − 𝜇𝑝 ) − 𝜃(𝑥 ′ 𝜄 − 1) (8)
Dimana bobot portfolio adalah vektor 𝑥 dan pengali lagrange 𝜙 dan 𝜃 merupakan variabel
decision. Hal ini berakibat tidak semua element dari 𝜇 sama jika tidak, karena semua portofolio
berdasarkan n sekuritas akan memiliki expected return yang sama, penggunaan 𝜇𝑝 yang
berbeda dari expected return ini pasti akan gagal untuk memberikan return alokasi portofolio.
Meminimalkan L mengarah ke
𝑥 = 𝑉 −1 (𝑀′ 𝑉 −1 𝑀)−1 𝑟𝑝 (9)
dimana 𝑀 = [𝜇 𝜄] adalah matriks n x 2 dan 𝑟𝑝 = [𝜇𝑝 1]′ merupakan vektor kolom dengan
2-element. Variansi return dari minimum variance portfolio adalah
𝜎𝑝2 = 𝑥 ′ 𝑉𝑥 = 𝑟𝑝 ′ (𝑀′ 𝑉 −1 𝑀)−1 𝑟𝑝 (10)

6
 Dengan pengulangan perhitungan yang didasarkan pada persamaan (9) untuk nilai
𝜇𝑝 yang berbeda, maka kita dapat membentuk sekumpulan himpunan dari minimum variance
portfolio. Misalkan suatu portfolio dibentuk dengan meminimalkan 𝑥 ′ 𝑉𝑥 dengan kendala 𝑥 ′ 𝜄 =
1. Hal ini persis dengan persamaan (9) dengan meminimumkan fungsi Lagrange
𝐿 = 𝑥 ′ 𝑉𝑥 − 𝜃(𝑥 ′ 𝜄 − 1)
mengarah ke
𝑥𝑜 = 𝑉 −1 𝜄(𝜄′ 𝑉 −1 𝜄)−1 (11)
Dimana 𝑥 merupakan vektor dari bobot portfolio, yang dilambangkan dengan 𝑥𝑜 .
Expected return dan variansi return dari minimum variansi global adalah
𝜇0 = 𝜇 ′ 𝑥0 = 𝜇 ′ 𝑉 −1 𝜄(𝜄′ 𝑉 −1 𝜄)−1 (12)
𝜎02 = 𝑥0′ 𝑉𝑥0 = (𝜄′ 𝑉 −1 𝜄)−1 (13)
Sebagimana yang dipaparkan pada persamaan (13), variansi return dari minimum variansi
global portfolio adalah kebalikan dari jumlah semua elemen dari invers matriks kovarian.
Proporsi untuk masing-masing saham dalam portfolio ini, berdasarkan persamaan (11) adalah
jumlah dari semua element yang berkaitan baris dari invers matriks kovarian dibagi dengan
jumlah semua element dari matriks inverse yg sama. Dengan demikian, jumlah bobot
portofolio sama dengan satu terjamin.

E. Syarat Kedefinit positifan dan Implementasi.

Dari perspektif analitis, persamaan (9) - (13) adalah hasil dari kondisi orde pertama untuk
optimasi. Apakah hasil tersebut benar-benar sesuai dengan variansi minimum seperti yang
diinginkan, keadaan variansi maksimal atau adanya titik pelana, masih memerlukan
konfirmasi. Yang menarik, oleh karena itu, adalah apakah parameter 𝜇 dan V yang diperlukan
memenuhi beberapa kondisi tertentu untuk memastikan minimum variansi.
Sebagai langkah awal dalam menentukan kondisi pada parameter untuk persamaan (9) -
(13) dapat bekerja dengan baik, kita harus memastikan bahwa matriks kovarians dapat dibalik.
Sehingga determinant dari matriks kovarians haruslah tidak sama dengan nol merupakan syarat
yang perlu dipenuhi dimana kita harus mengesampingkan tiga situasi berikut.
Pertama, jika saham yang dipertimbangkan merupakan saham yang bebas risiko, itu akan
memiliki nol variansi return dan nol kovarian return dengan semua saham lainnya
dipertimbangkan; Situasi ini akan menghasilkan baris (kolom) nol dalam matriks kovarians.
Kedua, jika return dari saham acak yang berkorelasi baik dengan saham lain nya, dua baris
(kolom) dari matriks kovarians akan sama satu sama lain.

7
 Ketiga, jika return saham acak adalah kombinasi linear dari return saham acak dari
beberapa saham lain, baris (kolom) dari matriks kovarians merupakan penjumlahan dari baris
lain (kolom). Dalam setiap situasi diatas, matriks kovarians nya non-invertible, karena
determinantnya sama dengan nol.
Banyak yang menyadari tiga situasi diatas dan implikasinya. Kehadiran transformasi saham
bebas risiko pada masalah seleksi portofolio menjadi dua bagian, dengan bagian pertama yang
berkaitan untuk pemilihan portofolio berdasarkan hanya pada saham berisiko dan bagian kedua
berkaitan dengan alokasi dana investasi antara saham bebas risiko dan portofolio berisiko.
Dalam dua situasi yang tersisa, kontribusi keamanan kepada risk-return trade-off dari
portofolio bisa ditiru secara persis oleh yang keamanan lain atau kombinasi dari saham lainnya.
Dengan demikian, hasil seleksi portofolio tidak akan lagi menjadi unik, dan persamaan (9) -
(13) akan gagal untuk melakukan tugas yang dimaksudkan.
Dengan menyampingkan tiga situasi diatas, kita sekarang akan menunjukkan bahwa,
persamaan (9) - (13) dapat bekerja dengan baik, apabila matriks kovarians nya definit positif.
Memang, jika matriks kovarians adalah definit positif, tiga situasi diatas secara otomatis akan
dikesampingkan, dan persamaan ini akan bekerja sebagaimana dimaksud. Dalam bahasa
matriks aljabar, suatu matriks n x n, 𝑉 semidefinit positif jika 𝑥 ′ 𝑉𝑥, berupa scalar, selalu non-
negatif untuk setiap n-element vektor kolom 𝑥. 𝑉 definit positif jika 𝑥 ′ 𝑉𝑥 stricly positif untuk
setiap non-zero vektor 𝑥. Dalam Analysis Portfolio, 𝑉 adalah matrik kovarian dan 𝑥 adalah
vektor dari bobot portfolio. Dengan syarat kedefinit positifan yang dipenuhi, keinvertibelan
dari 𝑉, 𝑀′ 𝑉 −1 𝑀 dan 𝜄′ 𝑉 −1 𝜄 terjamin. Bagaimanapun konverse nya tidak berlaku bahwa
keinvertibelan dari matriks tidak menjamin bahwa matriks kovarian tersebut bersifat definit
positif.
Kemudian akan dilihat mengenai minimum fungsi Lagrange pada seleksi model portfolio
dasar. Pada model ini akan meminimumkan fungsi Lagrange 𝐿 pada persamaan (8) dengan
bobot portfolio 𝑥1 , 𝑥2 , … , 𝑥𝑛 dan pengali Lagrange 𝜙 dan 𝜃 adalah variabel decision. Untuk
kemudahan eksposisi, misalakan 𝜙 = 𝑥𝑛+1 dan 𝜃 = 𝑥𝑛+2 . Dimana fungsi Lagrange 𝐿
merupakan fungsi kuadrat dari 𝑛 + 2 variabel decision, dimana pada turunan parsial orde
keduanya nol. Lalu apabila 𝐿∗ dimana 𝑥1 = 𝑥1 ∗ , 𝑥2 = 𝑥2 ∗ , … , 𝑥𝑛+2 = 𝑥𝑛+2 ∗ yang mana
turunan parsial pertama berhubungan dengan n + 2 variabel diatur menjadi nol, maka kita dapat
mengekspresikan 𝐿 dengan bentuk orde kedua ekspansi Taylor. Kita dapat menuliskan:
1 𝑛+2 𝑛+2 𝜕 2𝐿
𝐿 = 𝐿∗ + ∑ ∑ (𝑥𝑖 − 𝑥𝑖∗ ) (𝑥𝑗 − 𝑥𝑗∗ ) (14)
2 𝑖=1 𝑗=1 𝜕𝑥𝑖 𝜕𝑥𝑗

8
Dimana setiap turunan partial keduanya dihitung pada 𝑥1 = 𝑥1 ∗ , 𝑥2 = 𝑥2 ∗ , … , 𝑥𝑛+2 = 𝑥𝑛+2 ∗ .
Maka matrik simetri (𝑛 + 2)𝑥(𝑛 + 2) terdiri atas turunan partial kedua yang dikenal dengan
𝜕2 𝐿
Matrik Hessian (bordered Hessian). Pada setiap matriks kita memiliki 𝜕𝑥 𝜕𝑥 = 2𝜎𝑖𝑗 ,
𝑖 𝑗

𝜕2 𝐿 𝜕2 𝐿 𝜕2 𝐿 𝜕2 𝐿 𝜕2 𝐿
= −𝜇𝑖 , 𝜕𝑥 𝜕𝜃 = −1 dan 𝜕𝜙2 = 𝜕𝜃2 = 𝜕𝜙𝜕𝜃 = 0 untuk 𝑖, 𝑗 = 1,2, … , 𝑛. Dan juga
𝜕𝑥 𝜕𝜙
𝑖 𝑖

∑𝑛𝑖=1 𝑥𝑖 𝜇𝑖 = ∑𝑛𝑖=1 𝑥𝑖 ∗ 𝜇𝑖 = 𝜇𝑝 dan ∑𝑛𝑖=1 𝑥𝑖 = ∑𝑛𝑖=1 𝑥𝑖 ∗ = 1. Persamaan (14) dapat ditulis

sebagai
𝑛+2 𝑛+2
𝐿− 𝐿 =∑ ∗
∑ (𝑥𝑖 − 𝑥𝑖∗ ) (𝑥𝑗 − 𝑥𝑗∗ ) 𝜎𝑖𝑗 = (∆𝑥)′ 𝑉(∆𝑥) (15)
𝑖=1 𝑗=1

Dimana ∆𝑥 adalah vektor kolom n-element dengan element 𝑥𝑖 − 𝑥𝑖∗ untuk 𝑖, 𝑗 = 1,2, … , 𝑛.
Untuk meminimumkan 𝐿∗ , maka haruslah 𝐿 − 𝐿∗ > 0, sehingga kita punya (∆𝑥)′ 𝑉(∆𝑥) >
0. Dengan sebarang ∆𝑥 , maka meminimumkan fungsi Lagrange matriks kovariannya definit
positif.

a. Inverse Matrik Kovarians dan Minimum Variansi Portfolio Global

Jika matiks kovarian 𝑉 definit positif maka 𝑉 −1 juga definit positif. Hal ini karena
apabila 𝑉 invertible maka 𝑥 ′ 𝑉𝑥 positif untuk semua kolom tak nol vektor 𝑥,
𝑥 ′ 𝑉𝑥 = 𝑥 ′ 𝑉(𝑉 −1 𝑉)𝑥 = (𝑉𝑥)′ 𝑉 −1 (𝑉𝑥) (16)
juga selalu positif. Dengan 𝑉𝑥 sebarang kolom vektor dan (𝑉𝑥)′ adalah transposenya,
maka kedefinitan positif dari 𝑉 −1 terjamin. Jika suatu invertible 𝑉 bukan definit positif,
makan terdapat kolom tak nol vektor 𝑥 yang berkaitan dengan 𝑥 ′ 𝑉𝑥 yang tidak positif.
Misalkan vektor 𝑥 kita memiliki vektor yang berkaitan yaitu 𝑉𝑥. Maka pada persmaan
(16), 𝑉 −1 juga bukan definit positif.
Misalakan 𝑉 invertible tetapi kedifinitan positifnya belum diketahui, agar
𝑉 −1 definit positif maka element diagonalany tidak boleh ada yang negatif. Untuk
pengujiannya misalkan 𝑉 −1 memiliki satu elemen diagonal yang negatif , yaitu (𝑖, 𝑖)
merupakan elemen negatif. Misalkan 𝑐 adalah vektor kolom n-element dengan element
𝑖 satu satunya element tak nol. Dimana 𝑐 ′ 𝑉 −1 𝑐 negatif, 𝑉 −1 bukan definit positif, dan
inverse nya yaitu 𝑉 juga tidak definit positif. Hal ini berakibat, jika inverse dari matriks
kovarian memiliki elemet diagonal yang negatif maka matriks kovarian tersebut
bukanlah matriks definit positif.
Kedefinit positifan dari 𝑉, juga berakibat pada 𝑉 −1 , dan kepastian bahawa
skalar 𝜄′ 𝑉 −1 𝜄 positif. Jika portofolio definit positif maka dengan (𝜄′ 𝑉 −1 𝜄)−1 menjadi

9
 positif persamaan (11) − (13) memberikan hasil alokasi portofolio untuk variansi
global minimum portofolio sebagaimana dimaksud. Bagaimanapun tanpa
mengkonfirmasi diawal bahwa 𝑉 definit positif, kita tidak mengkonfirmasi kevalidtan
hasil dari (𝜄′ 𝑉 −1 𝜄)−1 adalah positif.
Jadi walaupun himpunan dari persamaan bobot dari portfolio (11)
memungkinkan kita untuk menghitung variansi dari return portfolio sebagai (𝜄′ 𝑉 −1 𝜄)−1
, apakah variansi ini adalah kemungkina terendah variansi masih tergantung pada
kedefinit positifan 𝑉. Jika 𝑉 tidak definit positif maka persamaan (11) tidak
memberikan Langrange 𝐿 yang minimum.

b. Inverse dari Matrix 𝟐𝒙𝟐 pada Pemilihan Model Portfolio Dasar dan Minimum
Variansi Portfolio.
Keinvertibelan Matrix 2𝑥2 𝑀′ 𝑉 −1 𝑀 pada persamaan (9) dan (10) mengakibatkan
determinatnya tidak sama dengan nol (𝑘). Element (1,1), (1,2), (2,1) dan (2,2) dari
𝑀′ 𝑉 −1 𝑀 adalah 𝜇 ′ 𝑉 −1 𝜇, 𝜇 ′ 𝑉 −1 𝜄, 𝜄′ 𝑉 −1 𝜇 dan 𝜄′ 𝑉 −1 𝜄 maka
𝑘 = (𝜇 ′ 𝑉 −1 𝜇)(𝜄′ 𝑉 −1 𝜄) − (𝜇 ′ 𝑉 −1 𝜄)(𝜄′ 𝑉 −1 𝜇) (17)
dimana 𝜇 ′ 𝑉 −1 𝜄 = 𝜄′ 𝑉 −1 𝜇.
Perlu diketahu dengan 𝑉 −1 simetri dan definit positif , kita dapat menuliskan 𝑉 −1 =
𝐿𝐿′, dimana 𝐿 merupakan matriks 𝑛𝑥𝑛, sehingga
𝑛
𝜇 ′ 𝑉 −1 𝜇 = (𝐿′ 𝜇)′ (𝐿′ 𝜇) = ∑ 𝑎𝑖2 > 0 (18)
𝑖=1

Dimana 𝑎𝑖 merupakan element ke 𝑖 dari kolom vektor 𝐿′ 𝜇. Dan dapat ditulis

𝑛
𝜄′ 𝑉 −1 𝜄 = (𝐿′ 𝜄)′ (𝐿′ 𝜄) = ∑ 𝑏𝑖2 > 0 (19)
𝑖=1

Dimana 𝑎𝑖 merupakan element ke 𝑖 dari kolom vektor 𝐿′ 𝜄. Kita dapat menulis 𝜇 ′ 𝑉 −1 𝜄

dan 𝜄′ 𝑉 −1 𝜇 sebagai
𝑛
(𝐿′ 𝜇)′ (𝐿′ 𝜄) = ∑ 𝑎𝑖 𝑏𝑖 (20)
𝑖=1

Dengan Pertidaksamaan Cauchy-Schwarz , kita miliki :

𝑛 𝑛 𝑛 2
𝑘 = (∑ 𝑎𝑖2 ) (∑ 𝑏𝑖2 ) − (∑ 𝑎𝑖 𝑏𝑖 ) ≥ 0 (21)
𝑖=1 𝑖=1 𝑖=1

Pertidaksamaan stricly terpenuhi jika 𝑎𝑖 = 𝑐𝑏𝑖 dengan 𝑐 suatu konstan untuk

𝑖 = 1,2, … , 𝑛 diabaikan. Dari pembahasan sebelumnnya apabila 𝑘 stricly positf maka
𝑀′ 𝑉 −1 𝑀 invertible.

10
 Kepositif definitan dari 𝑉 memastikan bahwa dua leading pricipal minors dari
matriks 2𝑥2 𝑀′ 𝑉 −1 𝑀 dimana 𝜇 ′ 𝑉 −1 𝜇 dan 𝑘 keduanya positif. Jika 𝑉 definit positif
maka 𝑀′ 𝑉 −1 𝑀 𝑑𝑎𝑛 (𝑀′ 𝑉 −1 𝑀)−1 juga. Sehingga tanpa memperhatikan nilai dari 𝜇𝑝
pada kolom vektor 2-elemet 𝑟𝑝 pada persamaan (9) dan (10), persamaan ini akan selalu
memberikan minimum variansi porfolio , semua dengan variansi positif dari return
portofolio, sebagaimana dimaksud.
Bagaimanapun, Jika 𝑉 invertible tapi tidak definit positif , matriks 2𝑥2
𝑀′ 𝑉 −1 𝑀 berdasarkan paramater masukan 𝜇 dan 𝑉 masih definit positif, jika 𝜇 ′ 𝑉 −1 𝜇
dan 𝑘 positif. Pada kasus lain persamaan (10) akan menghasilkan variansi positif dari
return portfolio untuk semua nilai 𝜇𝑝 , hasilnya tidak valid, maka tidak dapat
menghasilkan minimum dari fungsi Lagrange 𝐿. Maka Kedefinit positivan dan 𝑉 peru
diketahui sebelum menentukan hasil dari persamaan (9) dan (10).

c. Grafik dari Minimum Variansi Portfolio pada bidang-(𝝈, 𝝁)

Element-element (1,1), (1,2) dan (2,2) pada matriks simetri (𝑀′ 𝑉 −1 𝑀)−1
dimisalkan sebagai 𝛼, 𝛾 𝑑𝑎𝑛 𝛽 . Dimana 𝛼 = 𝜄′ 𝑉 −1 𝜄⁄𝑘, 𝛾 = 𝜇 ′ 𝑉 −1 𝜄⁄𝑘 dan 𝛽 =
𝜇 ′ 𝑉 −1 𝜇⁄𝑘 , maka persamaan (10) dapat ditulis sebagai
𝜎𝑝2 = 𝛼𝜇𝑝2 + 2𝛾𝜇𝑝 + 𝛽 (22)
Dengan kuadrat sempurna maka
𝛾 2 𝛼𝛽 − 𝛾 2
𝜎𝑝2 = 𝛼 (𝜇𝑝 + ) + (23)
𝛼 𝛼
Determinant dari 𝑀′ 𝑉 −1 𝑀 dan (𝑀′ 𝑉 −1 𝑀)−1 saling berkebalikan satu sama lain, kita
1
miliki 𝛼𝛽 − 𝛾 2 = 𝑘.

Jika 𝑉 definit positif maka 𝜄′ 𝑉 −1 𝜄 dan 𝑘 positif. Oleh karena itu 𝛼 dan 𝛼𝛽 − 𝛾 2
juga positif. Sehingga dengan 𝛼𝛽 − 𝛾 2 ⁄𝛼 positif, persamaan (23) berbentuk hiperbola
dengan horizontal transverse axis pada bidang-(𝜎, 𝜇). Pusat dari hiperbola terletak pada
titik (0, −𝛾⁄𝛼 ) pada bidang-(𝜎, 𝜇) dan simpulnya berada dititik

(±√(𝛼𝛽 − 𝛾 2 )⁄𝛼 , −𝛾⁄𝛼 ). Dengan −𝛾⁄𝛼 = 𝜇𝑜 dan (𝛼𝛽 − 𝛾 2 )⁄𝛼 = 𝜎02

menggambarkan expected return dan variansi return dari variansi minimum global
portfolio, persamaan (23) dapat ditulis sebagai
2
𝜎𝑝2 = 𝛼(𝜇𝑝 − 𝜇0 ) + 𝜎02 (24)

11
 Diketahui bahwa standar deviasi tidak pernah negatif. Sehingga cabang yang
relevant dari hiperbola adalah dimana 𝜎𝑝 > 0. Dimana transverse horizontal axis
hiperbola jadi cabang ini memuat semua nilai dari 𝜇𝑝 , sehingga tidak akan ada nilai 𝜇𝑝
yang mengakibatkan 𝜎𝑝2 negatif. Efficient frontier adalah setengah bagian atas dari
cabang ini, yang dimulai dari variansi minimum global di bidang-(𝜎, 𝜇), dimana
𝑑𝜇𝑝 ⁄𝑑𝜎𝑝 > 0 dan 𝑑 2 𝜇𝑝 ⁄𝑑𝜎𝑝2 < 0portfolio. Kurva ini merupakan kurva konkaf.
Bagaimana pun jika 𝑉 bukan definit positif, maka grafik dari persamaan (23)
pada bidang-(𝜎, 𝜇) dapat berbentuk irisan kerucut, tergantung pada tanda dari 𝛼 dan
𝛼𝛽 − 𝛾 2. Terdapat beberapa kasus berikut :
1. Jika 𝛼 dan 𝛼𝛽 − 𝛾 2 yang diperoleh dari parameter masukan 𝜇 dan 𝑉 positif, grafik

nya akan berbentuk hiperbola dengan karakteristik yang sama dengan sebelumnya.

2. Jika 𝛼 positif dan 𝛼𝛽 − 𝛾 2 negatif , maka parabola yang diperoleh akan memiliki

axis-𝜇 sebagai transverse axis nya

3. Jika 𝛼 dan 𝛼𝛽 − 𝛾 2 negatif maka grafiknya akan berbentuk elips

4. Jika 𝛼 = 0 , maka persamaan (22) menjadi 𝜎 2 = 2𝛾𝜇 + 𝛽, berbentuk parabola

dengan 𝜇 − 𝑎𝑥𝑖𝑠, sebagai axis simetri.

Diantara 4 kasus diatas hanya kasus pertama yang memebrikan variansi

portfolio positif untuk semua nilai 𝜇𝑝 . Pada tiga kasus lainnya, jika 𝜇𝑝 tidak berkaitan
dengan 𝜎𝑝 pada grafik maka akan menghasilkan negatif 𝜎𝑝2 . Serta tiga ini kasus ini
tidak pernah dibahas pad pembelajaran finance.
Lalu walaupun kasus pertama terlihat memenuhi grafik di bidang-(𝜎, 𝜇),
dimana 𝑑𝜇𝑝 ⁄𝑑𝜎𝑝 > 0 dan 𝑑 2 𝜇𝑝 ⁄𝑑𝜎𝑝2 < 0 untuk semua portfolio dengan expected
return lebih besar dari 𝜇0 , grafik nya tidak sesuai dengan efficient frontier. Titik (𝜎0 , 𝜇0 )
tidak sesuai dengan minimum variansi global portfolio. Hal ini terjadi karena tidak
grafik portfolio yang menghasilkan minimum dari fungsi Lagrange 𝐿.

d. Implied Korelasi pada Return

Syarat matriks definit positif untuk matriks nxn memenuhi bahwa leading
minors nya harus positif. Kita memiliki −1 ≤ 𝜌12 ≤ 1. Terdapat 𝑛! Untuk menanamai
𝑛 buah saham sebagai pasangan yang berhubungan matriks varian dan kovarian 𝑛𝑥𝑛.

12
 Pasangan dari saham menjamin keposositif definitan karena −1 ≤ 𝜌12 ≤ 1 untuk
semua 𝑖 ≠ 𝑗.
Deteminant dari (𝑀′ 𝑉 −1 𝑀)−1 adalah 𝛼𝛽 − 𝛾 2, dan merupakan suatu positif
karena terjamin bahwa korelasi dari return antara dua mininimum varaiance dari
portfolio terdapat pada range -1 dan 1. Misalakan 𝜎𝑝𝑞 kovariansi return dari portfolio
𝑝 dan 𝑞 dengan expected returnnnya 𝜇𝑝 dan 𝜇𝑞 . Dengan bobot masing masing saham
adalah 𝑥 dan 𝑦, maka kovariansinya adalah 𝜎𝑝𝑞 = 𝑥 ′ 𝑉𝑦. Berdasarkan persamaan (9)
dimiliki
𝑥 ′ 𝑉𝑦 = 𝑟 ′ (𝑀′ 𝑉 −1 𝑀)−1 𝑠 (25)
Dengan 𝑠 = [𝜇𝑞 1]′ , maka 𝜎𝑝𝑝 = 𝑥 ′ 𝑉𝑥, 𝜎𝑞𝑞 = 𝑦 ′ 𝑉𝑦 dan
𝜎𝑞𝑝 = 𝑦 ′ 𝑉𝑥 = 𝑥 ′ 𝑉𝑦 = 𝜎𝑝𝑞 .

Maka A adalah
𝜎𝑝𝑝 𝜎𝑝𝑞
𝐴 = [𝜎 𝜎𝑞𝑞 ] (26)
𝑞𝑝

dan A dapat ditulis sebagai

𝜇𝑝 1 𝜇𝑝 𝜇𝑞
𝐴=[ ] (𝑀′ 𝑉 −1 𝑀)−1 [ ] (27)
𝜇𝑞 1 1 1
Determinant dari matriks A adalah
2
𝜎𝑝𝑝 𝜎𝑞𝑞 − 𝜎𝑝𝑞 𝜎𝑞𝑝 = (𝜇𝑝 − 𝜇𝑞 ) 𝛼𝛽 − 𝛾 2 (28)
Apabila 𝑉 definit positif maka dengan 𝛼𝛽 − 𝛾 2 suatu yang positif maka maka
2
(𝜎𝑝𝑞 ) < 𝜎𝑝𝑝 𝜎𝑞𝑞 . Hal ini mengakibatkan korelasi dari return antara dua saham selalau
berada pada range -1 dan 1. Sehingga hasilnya benar.
Pada 4 kasus yang dipaparkan sebelumnya hanya kasus 1 yang memenuhi
keadaan ini, dimana range dari korelasi retun nya berda diantars -1 dan 1.s

F. Kesimpulan
Dalam ilmu keuangan kita telah mengenal suatu matriks simetri yang entri nya
merupakan variansi dan kovariansi dari return saham, dengan beberapa syarat tertentu.
Dalam pembahasan Aljabar, matriks tersebut haruslah suatu matriks kovarian yang definit
positif. Sedangkan dalam pembahasan keuangan dalam asumsi frictionless short sales suatu
matriks kovarians yang definit positif merupakan syarat agar return dari suatu portfolio

13
selalu positif juga diluar permasalahan besar bobot pada masing-masing saham yang akan
diinvestasikan.
Syarat kepositif definitan suatu matriks sangat penting untuk menghidari permsalahan-
permasalahan dalam seleksi pemilihan model portfolio. Sehingga tidak diperoleh risk-
return trade off yang optimal dari optimasi portfolio. Jika syarat Kepositif definitan
dilanggar maka hasil analisi yang didapatkan tidak akan sesuai dengan minimal kendala
variansi dari return portfolio yang dimaksudkan. Artinya terdapat hasil yang memenuhi
kendala namun memiliki variansi dari return portfolio yang rendah.
Oleh karena nya pembahasan ini berguna untuk memperlihatkan bukti aljabar mengenai
pentingnya syarat kedefinit positifan suatu matriks dalam pemilihan model portfolio yang
optimal baik untuk kasus dasar maupun rumit.

G. Daftar Pustaka

[i] Kwan, C.C.Y. (2010). The Requirement of a Positive Definite Covariance Matrix
of Security Returns for Mean-Variance Portfolio Analysis: A Pedagogic Illustration,
Spreadsheets in Education (eJSiE): Vol. 4: Iss. 1, Article 4

14